CN113646718B - 异常探测装置及异常探测方法 - Google Patents

异常探测装置及异常探测方法 Download PDF

Info

Publication number
CN113646718B
CN113646718B CN201980094849.0A CN201980094849A CN113646718B CN 113646718 B CN113646718 B CN 113646718B CN 201980094849 A CN201980094849 A CN 201980094849A CN 113646718 B CN113646718 B CN 113646718B
Authority
CN
China
Prior art keywords
time
abnormality detection
abnormality
value
series data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201980094849.0A
Other languages
English (en)
Other versions
CN113646718A (zh
Inventor
田中康裕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nissan Motor Co Ltd
Original Assignee
Nissan Motor Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nissan Motor Co Ltd filed Critical Nissan Motor Co Ltd
Publication of CN113646718A publication Critical patent/CN113646718A/zh
Application granted granted Critical
Publication of CN113646718B publication Critical patent/CN113646718B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/06—Safety devices
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0232—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on qualitative trend analysis, e.g. system evolution
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/1633—Programme controls characterised by the control loop compliant, force, torque control, e.g. combined with position control
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
    • G01L5/0061—Force sensors associated with industrial machines or actuators

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Automation & Control Theory (AREA)
  • Manipulator (AREA)

Abstract

异常探测装置基于从具有可动部的设备(101)取得的时间序列数据(RD)探测设备(101)的异常。异常探测装置一边错开确定的时刻，一边判定确定的时刻的时间序列数据(RDt)是从比确定的时刻早一定时间的时间序列数据(RDt－k)增加或是减少，并以一定的数值表示时间序列数据(RD)的增加或减少，基于将一定的数值进行累计的累计值(FD1～FD3)探测设备(101)的异常。

Description

异常探测装置及异常探测方法
技术领域
本发明涉及一种异常探测装置及异常探测方法。
背景技术
以往，作为多关节型机器人的异常判定装置，已知有专利文献1中记载的异常判定装置。专利文献1中，在机器人的动作中，以每个规定的周期检测机器人关节轴的移动位置及施加于关节轴的干扰扭矩，并对检测到的每个移动位置的干扰扭矩的平均值进行运算。然后，比较运算出的平均值和规定的阈值，在平均值超过阈值的情况下，判定为机器人异常。
现有技术文献
专利文献
专利文献1：日本特开平9－174482号公报
发明内容
发明要解决的问题
干扰扭矩由于各种因素而数值大幅变动。由于阈值被固定为一定值，因此，在干扰扭矩的变化幅度小的情况下，会漏掉异常或其预兆。相反，为了抑制这些情况而将阈值设定为小的值时，即使在机器人正常的情况下，也会误判定为异常。
本发明是鉴于上述课题而开发的，其目的在于，提供一种无论变化幅度的大小如何，都能够根据持续变化的时间序列数据精确地探测设备的异常的异常探测装置及异常探测方法。
用于解决问题的技术方案
本发明的一个方式是基于从具有可动部的设备取得的时间序列数据探测设备的异常的异常探测装置。异常探测装置一边错开确定的时刻，一边判定确定的时刻的时间序列数据是从比确定的时刻早一定时间的时间序列数据增加或是减少，并以一定的数值表示时间序列数据的增加或减少，基于将一定的数值进行累计后的累计值探测设备的异常。
发明效果
根据本发明的一个方式，无论变化幅度的大小如何，都能够根据持续变化的时间序列数据精确地探测设备的异常。
附图说明
图1是表示第一实施方式的异常探测装置102及其周边设备的结构的方框图。
图2是表示图1的异常探测装置102的动作的一例的流程图。
图3是表示图2的步骤S02的详细的步骤的一例的流程图。
图4是表示图2的步骤S02的详细的步骤的其它例子的流程图。
图5A是表示干扰扭矩(RD1)的时间变化及干扰扭矩(RD1)的移动平均(AD1)的曲线图。
图5B是表示根据干扰扭矩(RD1)的时间变化及干扰扭矩(RD1)算出的累计值的移动平均(FD1)的时间变化的曲线图。
图5C是表示干扰扭矩(RD2)的时间变化及干扰扭矩(RD2)的移动平均(AD2)的曲线图。
图5D是表示根据干扰扭矩(RD2)的时间变化及干扰扭矩(RD2)算出的累计值的移动平均(FD2)的时间变化的曲线图。
图5E是表示干扰扭矩(RD3)的时间变化及干扰扭矩(RD3)的移动平均(AD3)的曲线图。
图5F是表示根据干扰扭矩(RD3)的时间变化及干扰扭矩(RD3)算出的累计值的移动平均(FD3)的时间变化的曲线图。
图6是表示第二实施方式的异常探测装置102及其周边设备的结构的方框图。
图7是表示图6的异常探测装置102的串联型的动作的一例的流程图。
图8是表示图6的异常探测装置102的并联型的动作的一例的流程图。
图9A是表示存储于正常模型数据库34的评价用正常模型60的一例的曲线图。
图9B是表示通过第二异常探测部27算出的干扰扭矩的概率分布61a的一例的曲线图。
图9C是表示通过第二异常探测部27算出的干扰扭矩的概率分布61b的其它例子的曲线图。
图9D是表示将图9A的评价用正常模型60的平均值修正为与图9B的概率分布61a的平均值(200)一致的修正后的评价用正常模型62a的曲线图。
图9E是将图9A的评价用正常模型60的平均值修正为与图9C的概率分布61b的平均值(70)一致的修正后的评价用正常模型62b的曲线图。
具体实施方式
参照附图对实施方式进行说明。对在附图的记载中相同的部分标注相同的符号，并省略说明。
(第一实施方式)
参照图1，对第一实施方式的异常探测装置102及其周边设备(101、103)的结构进行说明。第一实施方式的异常探测装置102与机器人101及用户接口103连接。异常探测装置102探测作为具有可动部的设备的一例的机器人101的异常。在此，“设备(机器人101)的异常”是包含设备的动作停止、设备的动作不良、润滑油的劣化等设备的故障及妨碍设备的正常的动作的各种因素的概念。“探测异常”不仅包含当前正在产生的异常，还包含预测将来发生的异常、以及探测异常的预兆。
作为“具有可动部的设备”的一例的机器人101是具有一个或两个以上的关节轴作为可动部的一例的生产机器人。机器人101例如包含自动执行车体的焊接作业等的生产机器人或生产设备。机器人101具有多个电动机驱动系统作为关节轴。电动机驱动系统具有伺服电动机作为机器人小臂等旋转机构的驱动源，伺服电动机经由减速机14驱动机器人小臂。通过使伺服电动机动作，例如使搭载于机器人小臂的前端的焊接电极与成为加工的对象的对象物例如金属制的毛坯材料接触，实施焊接作业。“具有可动部的设备”除进行焊接作业的机器人以外，还包含实施对象物的冲压、涂装、树脂成形、组装等的各种的作业的机器人。
在机器人101上安装有传感器13。具体而言，在减速机14中内置有扭矩传感器。内置有扭矩传感器的不限于减速机，也可以为与减速机连结的电动机。传感器13以规定的周期反复检测表示机器人101的状态的各种物理量并作为时间序列数据输出。每一定间隔观测表示机器人101的状态的各种物理量(以后，简称为“物理量”)。物理量中包含为了判定机器人101的异常而需要的电动机驱动系统的各种数据。物理量中包含例如伺服电动机的旋转角位置、旋转速度、耗电、消耗电流、从减速机14输出的扭矩值、减速机14的旋转机构的振动值。传感器13可以为检测施加于伺服电动机或关节轴的加速度的加速度传感器，在该情况下，输出加速度的检测值作为时间序列数据。
机器人101具有根据由传感器13检测到的扭矩值(扭矩检测值)运算减速机14中发生的干扰扭矩的干扰扭矩运算部15。干扰扭矩表示控制减速机14时的扭矩指令值和由传感器13检测到的扭矩检测值的差值。在减速机14正常且稳定地动作时，扭矩指令值和扭矩检测值的差值几乎一定，因此，干扰扭矩显示稳定的数值。在减速机14中发生异常的情况下，减速机14不能稳定地动作，在干扰扭矩中产生变化。
另外，“干扰扭矩”是从机器人101取得的时间序列数据的一例。扭矩指令值及扭矩检测值分别是每隔一定的时间间隔取得的时间序列数据，因此，干扰扭矩也同样是时间序列数据。在传感器13为检测施加于关节轴或伺服电动机的加速度的加速度传感器的情况下，从安装于机器人101的传感器13取得的时间序列数据成为“加速度的检测值”。
机器人101还具有动作控制部12和通信部11。动作控制部12如下进行控制：根据预先设定的动作程序使伺服电动机动作，使搭载于机器人101的机器人小臂及关节轴进行希望的动作。在机器人101为示教再现型的机器人的情况下，动作控制部12根据通过示教设定的动作程序使伺服电动机动作。进而，动作控制部12将使机器人101工作时的工作数据输出到通信部11。
通信部11将机器人101的工作数据、干扰扭矩及通过传感器13检测到的各种传感器数据发送到异常探测装置102。
上述的干扰扭矩运算部15及动作控制部12能够通过一个或两个以上的运算电路来安装。运算电路可以通过具有CPU、存储器的通用的微计算机、面向特定用途的集成电路(ASIC)、或以往型的电气电路来实现。
异常探测装置102具有：在机器人101之间进行通信的通信部21、控制部51、传感器数据库31、工作历史数据库32、维护数据库33。
通信部21在与机器人101的通信部11之间进行通信，进行数据的收发。具体而言，通信部21从机器人101接收工作数据、干扰扭矩及各种传感器数据。通信部21为“传感器信号输入部”的一例。通信部21进行有线的通信或无线的通信。例如，通信部21通过LAN电缆与通信部11连接，通过近距离无线通信(NFC)与通信部11连接。
控制部51基于通信部21接收到的数据，探测机器人101的异常。控制部51可以实现具有CPU(中央处理装置)、RAM及ROM等存储器、及输入输出部的通用的微计算机。当然，也可以准备ASIC等专用的硬件，构成控制部51。另外，也可以由多个硬件构成控制部51。
控制部51具有：第一异常探测部26、报告控制部23、参数设定部25。第一异常探测部26基于通信部21接收到的干扰扭矩，探测机器人101中发生的异常。
具体而言，第一异常探测部26判定确定的时刻(t)的干扰扭矩(RDt)是从比确定的时刻早一定时间(t-k)的干扰扭矩(RDt-k)增加或是减少。分别以“一定的数值”表示干扰扭矩增加的情况及干扰扭矩减少的情况。第一异常探测部26一边错开确定的时刻(t)一边反复进行是增加或是减少的判定。因此，“一定的数值”成为时间序列数据。而且，第一异常探测部26求出在规定时间内对“一定的数值”进行累计的累计值，并基于累计值探测机器人101(设备)的异常。以下，对第一异常探测部26具有的多个运算处理功能进行详细说明。
[差值运算]
第一异常探测部26首先进行差值运算。具体而言，计算确定的时刻(t)的干扰扭矩(RDt)和比确定的时刻早一定时间(t-k)的干扰扭矩(RDt-k)的差(x)。第一异常探测部26一边错开确定的时刻(t)，一边计算差(x)，因此，差(x)为时间序列数据。一定时间(k)例如为30秒～5分钟。
[数1]
x＝RDt-RDt-k...(1)
[分类/数值化]
接着，第一异常探测部26进行分类/数值化的处理。具体而言，第一异常探测部26一边错开确定的时刻(t)，一边判定确定的时刻(t)的干扰扭矩(RDt)是从比确定的时刻早一定时间(t-k)的干扰扭矩(RDt-k)增加或是减少。而且，第一异常探测部26分别以“一定的数值”表示干扰扭矩的增加或干扰扭矩的减少。第一异常探测部26一边错开确定的时刻(t)，一边判定增加或减少，因此，表示增加或减少的“一定的数值”也为时间序列数据。例如，如(2)式所示，分别以“一定的数值(1，0，－1)”表示干扰扭矩的增加或干扰扭矩的减少。在此，第一基准值(pa)为与第二基准值(pb)相等的常数或大于第二基准值(pb)的常数。
[数2]
在确定的时刻(t)的干扰扭矩(RDt)和比确定的时刻早一定时间(t－k)的干扰扭矩(RDt－k)的差(x)大于第一基准值(pa)的情况下，第一异常探测部26判定为干扰扭矩增加，并输出“f(x)＝1”。在差(x)小于第二基准值(pb)的情况下，第一异常探测部26判定为干扰扭矩减少，并输出“f(x)＝－1”。在差(x)为第一基准值(pa)以下，且为所述第二基准值(pb)以上的情况下，第一异常探测部26判定为干扰扭矩既不增加也不减少，并输出“f(x)＝0”。
也可以使用(3)式代替(2)式。在该情况下，在差(x)为第一基准值(pa)以上的情况下，第一异常探测部26判定为干扰扭矩增加，并输出“f(x)＝1”。在差(x)小于第一基准值(pa)的情况下，第一异常探测部26判定为干扰扭矩减少，并输出“f(x)＝－1”。第一异常探测部26未判定干扰扭矩即没有增加也没有减少，未输出“f(x)＝0”。即，判断增加或减少的其中一个。即，第一异常探测部26能够对干扰扭矩的时间变化即差(x)进行编码。此外，在第一基准值(pa)与第二基准值(pb)相等的情况下，与(3)式同样，能够实质上对干扰扭矩的时间变化(x)进行编码。这是因为仅在差(x)为零时输出“f(x)＝0”。
[数3]
[后处理/特征量提取]
接着，第一异常探测部26进行后处理。具体而言，第一异常探测部26求出在规定时间(累计时间)内对“一定的数值”进行累计的累计值。第一异常探测部26提取该累计值的移动平均(FD1)作为特征量。第一异常探测部26通过比较累计值的移动平均(FD1)和规定的阈值范围，探测机器人101的异常。即，在图5B中，第一异常探测部26在移动平均(FD1)超过包含零的阈值范围的情况下，判断为机器人101中存在异常。规定的阈值范围被设定为包含零的－1～+1的范围。
如以上说明，第一异常探测部26将干扰扭矩的差(x)转换为无论其绝对值如何，均固定为预定的数值的“一定的数值”，并基于对转换后的“一定的数值”进行累计的累计值判定机器人101的异常。由此，第一异常探测部26能够不依赖于干扰扭矩的差(x)的绝对值，而根据干扰扭矩的持续的增加或减少即持续的趋势(Trend)，判定异常。因此，即使在噪声及扭矩检测值的变化幅度大的情况下，也不会漏掉微小且持续的增加或减少，能够根据持续变化的干扰扭矩精确地检测机器人101的故障。
报告控制部23向机器人101的使用者报告通过第一异常探测部26探测到的机器人101的异常。具体而言，在使用者保持的平板终端、智能手机等移动通信机上显示异常判定的结果或警告或发出警报。
参数设定部25设定第一异常探测部26进行的异常判定处理中使用的各种参数。具体而言，参数设定部25设定差值运算中的“一定时间(k)”、分类/数值化的处理中的“第一基准值(pa)”及“第二基准值(pb)”、后处理中的“累计时间”、特征量提取处理中的“规定的范围”。参数设定部25也可以在设定这些参数时，使用集成学习等机器学习法，将这些参数最佳化。
传感器数据库31是暂时存储通信部21接收到的干扰扭矩的存储装置。不限于干扰扭矩，包含伺服电动机的旋转角位置、旋转速度、耗电、电流、减速机14的旋转机构中发生的振动值的、作为表示机器人101的状态的各种物理量而被检测到的所有的传感器数据被存储到传感器数据库31中。第一异常探测部26在进行异常的探测时，读出存储于传感器数据库31的干扰扭矩。
工作历史数据库32是暂时存储通信部21接收到的工作数据的存储装置。工作历史数据库32存储包含机器人101的工作日、开始工作的时刻、停止工作的时刻、连续工作的时间的与工作相关的各种的数据作为工作数据。
维护数据库33在发生了异常或对预测到异常的发生的机器人101实施了维护的情况下，存储表示其维护的内容的维护数据。机器人101的操作者能够通过用户接口(UI)103输入维护数据。维护数据中含有实施了维护的机器人101的识别编号、实施了维护的日期和时间、维护的内容(更换、修理、润滑油的更换等)。
用户接口(UI)103例如为平板终端、智能手机等移动通信机，具有将使用者进行各种的输入操作的操作功能及各种的数据提示给使用者的提示功能。用户接口(UI)103将通过报告控制部23发出的警报、从报告控制部23发送的异常判定的结果或通知异常的警告显示在显示器上或利用声音通知给使用者。
参照图2，对使用图1的异常探测装置102的异常探测方法的一例进行说明。首先，在步骤S01中，通信部21从机器人101的通信部11接收通过安装于机器人101的传感器13及干扰扭矩运算部15算出的干扰扭矩。
进入步骤S02，第一异常探测部26基于通信部21接收到的干扰扭矩，探测机器人101中发生的异常。参照图3及图4在后叙述步骤S02的详细的步骤。
在通过第一异常探测部26在机器人101中探测到异常的情况下(步骤S03中“是”)，进入步骤S04，报告控制部23将通过第一异常探测部26探测到的机器人101的异常报告给机器人101的使用者，结束图2的流程图。在通过第一异常探测部26在机器人101中没有探测到异常的情况下(步骤S03中“否”)，图2的流程图结束，而不实施步骤S04。
[第一异常探测部26进行的异常探测方法(其一)]
参照图3，对图2的步骤S02的详细的顺序的一例进行说明。首先，在步骤S201中，第一异常探测部26首先进行差值运算。具体而言，如(1)式所示，一边错开确定的时刻(t)，一边反复计算确定的时刻(t)的干扰扭矩(RDt)和比确定的时刻早一定时间(t－k)的干扰扭矩(RDt－k)的差(x)。
进入步骤S202，第一异常探测部26将差(x)进行分类。具体而言，根据(2)式，第一异常探测部26将差(x)分类为以下的＜区分1＞～＜区分3＞中任一个。
＜区分1＞大于第一基准值(pa)，
＜区分2＞小于第二基准值(pb)，
＜区分3＞为第一基准值(pa)以下，且为所述第二基准值(pb)以上。
＜区分1＞表示确定的时刻(t)的干扰扭矩(RDt)从比确定的时刻早一定时间(t－k)的干扰扭矩(RDt－k)增加，＜区分2＞表示减少，＜区分3＞表示既不增加也不减少。
进入步骤S203，第一异常探测部26基于上述的分类结果，将差(x)数值化。具体而言，第一异常探测部26根据(2)式，对＜区分1＞～＜区分3＞分配1、0、－1作为“一定的数值”。对分类为＜区分1＞的差(x)分配“1”，对分类为＜区分2＞的差(x)分配“－1”，对分类为＜区分3＞的差(x)分配“0”。
进入步骤S204，第一异常探测部26进行后处理。具体而言，第一异常探测部26求出在规定时间(累计时间)内对“一定的数值”进行累计的累计值。进入步骤S205，第一异常探测部26计算该累计值的移动平均(FD1)作为特征量。进入步骤S206，第一异常探测部26通过比较累计值的移动平均(FD1)和规定的阈值范围，探测机器人101的异常。在图5B中，第一异常探测部26在移动平均(FD1)超过规定的阈值范围的情况下，判定为在机器人101中存在异常。
[第一异常探测部26进行的异常探测方法(其二)]
参照图4，对图2的步骤S02的详细的顺序的其它例子进行说明。与图3进行比较，图4所示的异常探测方法在步骤S201、S204～S206与图3一致，代替图3的步骤S202、S203而实施步骤S211这一点不同。因此，对步骤S211进行说明。
在步骤S211中，进行编码处理。具体而言，根据(3)式，第一异常探测部26将差(x)分类为以下的＜区分4＞或＜区分5＞。
＜区分4＞与第一基准值(pa)相等或大于第一基准值(pa)，
＜区分5＞小于第一基准值(pa)。
＜区分4＞表示确定的时刻(t)的干扰扭矩(RDt)从比确定的时刻早一定时间(t－k)的干扰扭矩(RDt－k)增加，＜区分5＞表示减少。＜区分3＞在步骤S211中，与步骤S204不同，不是“既不增加也不减少”这样的判定结果。
接着，第一异常探测部26基于上述的分类结果，对差(x)进行编码。具体而言，第一异常探测部26根据(3)式，对＜区分4＞及＜区分5＞分配1、－1作为“一定的数值”。对分类为＜区分4＞的差(x)分配“1”，对分类为＜区分5＞的差(x)分配“－1”。
这样，将干扰扭矩的时间变化分类为三个区分(增加/减少/无变化)或两个区分(增加/减少)，并对各个区分分配“一定的数值”。由此，能够将不依赖于干扰扭矩的时间变化的大小的持续的趋势进行数值化或编码。当然，这里所示的区分的数量(三个、两个)为例示，不限定于此。例如，(2)式及(3)式也可以根据不同的式，分类为四个或五个区分。另外，分配给各个区分(增加/减少/未变化)的“1”、“－1”、“0”为一例，只要是预定的固定值，则也可以为其它数值。
如以上说明，根据第一实施方式，得到以下的作用效果。
设备的异常可通过在从对象物(设备)输出的时间序列数据中确定与平时不同的模式来进行检测。通常，使用搭载于设备的传感器提取的时间序列数据具有与异常对应的特征的模式，同时，大多具有不与异常对应的各种特征的模式(这里是指噪声)。
在作为对象物(设备)的生产设备及车辆等产业机械中，发生磨损、劣化这样的经时变化及机械损伤等。因此，为了预先防止生产设备及产业机械的突然的故障导致的停止，进行定期的检查及零件更换等维修。但是，在生产设备及产业机械中一旦发生故障导致的停止，则需要调查原因、准备或制作更换零件，还需要实施大规模的修理，因此，生产设备及产业机械的停机时间会变长。
例如，在汽车的生产中使用非常多的机器人。当这些机器人中的一台发生故障时，生产线整体或一部分有可能长时间地停止，且发生巨额的损失。为了防止这样的长时间的生产停止，需要精确地探测机器人的异常。
具有生产线中使用的多个关节轴的多关节型机器人在其关节轴具有减速机。具有运用内置于减速机的扭矩传感器的数据，使用扭矩的控制指令值和实测值的差值即干扰扭矩作为减速机的故障诊断用参数的异常检测的方法。在该方法中，求出干扰扭矩的规定期间的平均值及方差值等统计量，通过比较预先设定的阈值，并判定异常，预测故障。
但是，例如，因润滑油的粘度变化的影响、以机器人的动作变更为代表的维修的影响等各种因素，干扰扭矩大幅变动。另一方面，异常的发生导致的干扰扭矩的变化幅度大多极小。因此，当较宽地设定允许范围时，会漏掉必须检测的异常。另一方面，当缩小允许范围时，即使正常，也会误判定为异常。
第一实施方式的异常探测装置及异常探测方法中，一边错开确定的时刻(t)，一边判定确定的时刻(t)的干扰扭矩(RDt)是从比确定的时刻早一定时间(t－k)的干扰扭矩(RDt－k)增加或是减少，并分别以一定的数值表示干扰扭矩的增加及减少，基于对一定的数值进行累计的累计值探测机器人101的异常。由此，无论时间序列数据(干扰扭矩)的变化幅度的大小如何，都能够检测持续的变化。因此，能够从噪声及传感器信号的变化幅度中精确地提取微小但持续的干扰扭矩的变化，并精确地探测机器人101的故障。
如图5A所示，在干扰扭矩(RD1)微小但持续地减少的情况下，即使对比干扰扭矩(RD1)或其移动平均(AD1)和阈值，也难以提取微小但持续的干扰扭矩(RD1)或其移动平均的减少(AD1)。这是因为噪声一方大于微小的变化幅度。与之相对，如图5B所示，通过以“一定的数值”替换干扰扭矩(RD1)的持续的变化，并对比“一定的数值”的累计值(FD1)和阈值，能够提取微小但持续的干扰扭矩(RD1)或其移动平均(AD1)的减少。
进而，如图5C所示，在干扰扭矩(RD1)大幅减少的情况下，如果其减少持续，则能够判断为该减少不是噪声。因此，如图5D所示，通过对比“一定的数值”的累计值(FD2)和阈值，能够提取持续的干扰扭矩(RD2)或其移动平均(AD2)的减少。
另一方面，如图5E所示，即使在干扰扭矩(RD3)大幅减少的情况下，如果其减少是暂时的，且未持续，则该减少有可能为噪声。在该情况下，如图5F所示，“一定的数值”的累计值(FD3)的变化幅度比图5B及图5D小。因此，第一异常探测部26通过对比累计值(FD3)和阈值，能够排除暂时的干扰扭矩(RD3)或其移动平均(AD3)的减少。因此，第一异常探测部26将图5E的的暂时的干扰扭矩(RD3)的减少无论其减少幅度如何均作为噪声捕捉，且不判断为异常。
第一异常探测部26在确定的时刻(t)的干扰扭矩(RDt)和比确定的时刻早一定时间(t－k)的干扰扭矩(RDt－k)的差(x)大于第一基准值(pa)的情况下，判定为增加。第一异常探测部26在差(x)与第一基准值(pa)相同或小于比第一基准值(pa)小的第二基准值(pb)的情况下，判定为减少。能够使用差(x)判断干扰扭矩的增加/减少。
第一异常探测部26还判定确定的时刻(t)的干扰扭矩(RDt)从比确定的时刻早一定时间(t－k)的干扰扭矩(RDt－k)既不增加也不减少，也可以以一定的数值表示即不是增加也不是减少。能够除去干扰扭矩的噪声部分。
第一异常探测部26在差(x)为第一基准值(pa)以下，且为第二基准值(pb)以上的情况下，判定为干扰扭矩既不增加也不减少。能够使用差(x)判断干扰扭矩的增加/减少。
无论差(x)的绝对值如何，一定的数值均被固定为预定的值。由此，不仅可以检测干扰扭矩的大的变化，也可以检测持续的细微的变化。
如(2)式所示，表示确定的时刻(t)的干扰扭矩(RDt)从比确定的时刻早一定时间(t－k)的干扰扭矩(RDt－k)增加的一定的数值(f(x)＝1)和表示确定的时刻(t)的干扰扭矩(RDt)从比确定的时刻早一定时间(t－k)的干扰扭矩(RDt－k)减少的一定的数值(f(x)＝－1)的绝对值彼此相等，且符号不同。能够排除增加/减少的绝对量，而仅提取增加/减少的趋势。
第一异常探测部26在步骤S205的特征量提取处理中，计算累计值的移动平均(FD1)作为特征量。然后，第一异常探测部26基于累计值的移动平均(FD1)探测机器人101的异常。能够精确地提取微小但持续的干扰扭矩的变化，并精确地探测机器人101的故障。
参数设定部25使用集成学习等的机器学习使第一基准值及所述第二基准值中的每一个最佳化。由此，能够使既不增加也不减少的干扰扭矩的范围最佳化。参数设定部25也可以使用集成学习等的机器学习使取得累计值的移动平均的时间的长度最佳化。
(变形例)
在差值运算(步骤S201)中，第一异常探测部26也可以计算干扰扭矩的移动平均，一边错开确定的时刻(t)，一边反复计算确定的时刻(t)的干扰扭矩的移动平均和比确定的时刻早一定时间(t－k)的干扰扭矩的移动平均的差(x’)。即，也可以使用干扰扭矩(RD)的移动平均来代替使用干扰扭矩(RD)本身。例如，如图5A、5C、5E所示，能够使用除去了噪声成分的移动平均(AD1、AD2、AD3)代替噪声成分大的干扰扭矩(RD1、RD2、RD3)，来计算差(x’)。因为能够从差(x’)中除去噪声成分，所以能够更精确地探测故障。参数设定部25也可以使用集成学习等的机器学习使取得干扰扭矩的移动平均的时间的长度最佳化。
(第二实施方式)
在第二实施方式中，对组合了不同的两个异常探测算法的异常探测装置及异常探测方法进行说明。如图6所示，第二实施方式的异常探测装置102与图1的异常探测装置102相比，在以下两个点上不同。第一，控制部51还具有第二异常探测部27。第二，异常探测装置102还具有正常模型数据库34。
第二异常探测部27通过与第一异常探测部26不同的异常探测算法探测机器人101的异常。第二异常探测部27的异常探测算法也可以为任意已知的算法。
[使用了概率分布的异常探测]
例如，第二异常探测部27可以基于干扰扭矩的概率分布(包含概率密度分布)探测异常。第二异常探测部27从传感器数据库31中读出规定期间内的干扰扭矩(时间序列数据)，并基于读出的干扰扭矩对概率分布进行运算。具体而言，第二异常探测部27将从当前追溯了规定的时间(例如，12小时)的期间设定为规定期间，例如，使用周知的核密度估计，对规定期间内的干扰扭矩的概率分布进行计算。
在正常模型数据库34中存储将干扰扭矩的平均值设为零的评价用正常模型。作为评价用正常模型的作成方法，能够使用采用了方差和平均值的t分布、正规分布。另外，也可以使用直方图。第二异常探测部27通过比较干扰扭矩的概率分布和评价用正常模型，计算概率密度比作为特征量。第二异常探测部27通过比较概率密度比和阈值，判定异常。
图9A表示存储于正常模型数据库34的评价用正常模型60的一例。图9B表示通过第二异常探测部27算出的干扰扭矩的概率分布61a的一例。如图9D所示，第二异常探测部27将评价用正常模型60的平均值修正为与概率分布61a的平均值(200)一致。对比修正后的评价用正常模型62a和概率分布61a，在两者的不同大于规定值以上的情况下，判定为存在异常。例如，图9B的概率分布61a未从图9D所示的修正后的评价用正常模型62a大幅错开，因此，判定为没有异常。另一方面，图9C的概率分布61b从图9E修正后的评价用正常模型62b大幅错开，因此，判定为存在异常。
[使用异常度的异常探测]
或者，第二异常探测部27也可以基于通过(4)式定义的干扰扭矩的异常度(G(r))来探测异常。在(4)式中，m为干扰扭矩的标本平均，s为干扰扭矩的标准偏差，r为干扰扭矩。第二异常探测部27在干扰扭矩的异常度(G(r))超过规定的阈值时，判定为存在异常。
[数4]
第二异常探测部27也可以使用其它的已知的异常探测算法代替使用了上述的概率分布或异常度的异常探测算法来探测机器人101的异常。
这样，第二实施方式的异常探测装置102将第一异常探测部26的异常的探测结果和第二异常探测部27的异常的探测结果组合，并输出一个探测结果。作为探测结果的组合型的例子，对串联型和并联型进行说明。
[串联型]
第一异常探测部26或第二异常探测部27基于通过第二异常探测部27或第一异常探测部26检测到的异常发生的时刻或包含时刻在内的时间段内的时间序列数据探测机器人101的异常。首先，第一异常探测部26及第二异常探测部27的一方探测异常。第一异常探测部26及第二异常探测部27的另一方仅在该一方探测到的异常发生的时刻或包含时刻在内的时间段，探索有无异常。第一异常探测部26及第二异常探测部27的另一方在一方没有探测到异常的时刻或时间段不探索有无异常。
参照图7，对图6的异常探测装置102的串联型的动作的一例进行说明。首先，在步骤S01中，通信部21从机器人101的通信部11接收通过安装于机器人101的传感器13及干扰扭矩运算部15算出的干扰扭矩。
进入步骤S51，第一异常探测部26基于通信部21接收到的干扰扭矩，探测机器人101中发生的异常。步骤S51的详细的顺序与参照图3或图4说明的步骤S02的详细的顺序相同，因此省略说明。
在通过第一异常探测部26在机器人101中探测到异常的情况下(步骤S52中“是”)，进入步骤S54，控制部51设定通过第一异常探测部26探测到异常的时刻或时间段。
进入步骤S54，第二异常探测部27基于通信部21接收到的干扰扭矩的概率分布或异常度，探测机器人101中发生的异常。此时，第二异常探测部27仅在第一异常探测部26探测到的异常发生的时刻或时间段，探索有无异常。第二异常探测部27也可以通过其它已知的方法代替干扰扭矩的概率分布或异常度来探测机器人101中发生的异常。
在通过第二异常探测部27在机器人101中探测到异常的情况下(步骤S55中“是”)，进入步骤S04，报告控制部23将通过第一异常探测部26及第二异常探测部27双方探测到的机器人101的异常报告给机器人101的使用者，结束图7的流程图。在通过第一异常探测部26在机器人101中没有探测到异常的情况下(步骤S52中“否”)及通过第二异常探测部27在机器人101中没有探测到异常的情况下(步骤S55中“否”)，结束图7的流程图，而不实施步骤S04。
此外，在图7的例中，示出了第一异常探测部26先实施异常判定，之后第二异常探测部27实施异常判定的例子，但也可以调换第一异常探测部26和第二异常探测部27来实施。
[并联型]
第一异常探测部26和第二异常探测部27的组合型不限于上述的串联型。例如，也可以将第一异常探测部26和第二异常探测部27并联地组合。即，第二实施方式的异常探测装置也可以通过图8所示的并联型的动作探测异常。图8是表示图6的异常探测装置102的并联型的动作的一例的流程图。
报告控制部23也可以如下进行控制：在通过第一异常探测部26检测到的异常和通过第二异常探测部27检测到的异常在相同的时刻或相同的时间段发生的情况下，报告机器人101的异常。换言之，异常探测装置102也可以对比通过第一异常探测部26检测到的异常的发生时刻和通过第二异常探测部27检测到的异常的发生时刻，在发生时刻一致的情况或纳入规定的时间段的情况下，将当该异常识别为机器人101的异常。由此，报告控制部23能够仅输出通过不同的两个异常探测算法双方探测到的异常。因此，与第一实施方式相比，能够降低异常的过探测。
参照图8，对图6的异常探测装置102的并联型的动作的一例进行说明。首先，在步骤S01中，通信部21从机器人101的通信部11接收通过安装于机器人101的传感器13及干扰扭矩运算部15算出的干扰扭矩。
进入步骤S51，第一异常探测部26基于通信部21接收到的干扰扭矩，探测机器人101中发生的异常。步骤S51的详细的顺序与参照图3或图4说明的步骤S02的详细的顺序相同，因此省略说明。
进入步骤S56，第二异常探测部27基于通信部21接收到的干扰扭矩的概率分布或异常度，探测机器人101中发生的异常。此时，第二异常探测部27不限定成为探测对象的时刻或时间段，而在与步骤S51相同的范围内，探索有无异常。
在通过步骤S51(第一异常探测部26)及步骤S56(第二异常探测部27)的每一个中，在机器人101中探测到异常的情况下(步骤S57中“是”)，进入步骤S58，控制部51判断发生了通过步骤S51及步骤S56探测到的异常的时刻或时间段是否一致。在此，“时刻或时间段一致”不限于异常发生的时刻完全一致的情况，也包含通过步骤S51及步骤S56探测到的异常的双方的时刻属于相同的时间段的情况。时间段的长度例如只要为1分钟以下即可。参数设定部25也可以使用机器学习使时间段的长度最佳化。
在时刻或时间段一致的情况下(S58中“是”)，进入步骤S59，控制部51判定为在机器人101中发生了异常。进入步骤S04，报告控制部23将通过控制部51判定到的机器人101的异常报告给机器人101的使用者，从而图8的流程图结束。在通过步骤S51或步骤S56的至少一方没有探测到异常的情况(步骤S57中“否”)或通过步骤S51及步骤S56探测到的异常发生的时刻或时间段不一致的情况下，结束图8的流程图，而不实施步骤S04。
如以上说明，报告控制部23控制为报告将第一异常探测部26和第二异常探测部27组合而探测到的机器人101的异常。即，报告控制部23仅输出通过不同的两个异常探测算法双方检测到的异常。因此，与第一实施方式相比，能够降低即使正常也错误地判定为存在异常的所谓的异常的过判定。
第二异常探测部27基于干扰扭矩的概率分布探测机器人101的异常。能够使用相互不同的异常探测算法，精确地探测异常。
另外，如图7所示，第二异常探测部27仅在通过第一异常探测部26探测到异常的情况下(S52中“是”)，且仅在通过第一异常探测部26探测到的异常发生了的时刻或时间段，探索机器人101的异常。因此，减轻第二异常探测部27的运算处理负担，并短缩处理时间。
另外，如图8所示，第一异常探测部26及第二异常探测部27分别独立地探测异常，控制部51通过核对探测到的异常的发生时刻或时间段，最终判断有无发生异常。由此，与没有第二异常探测部27的第一实施方式的异常探测装置相比，能够抑制异常的探测遗漏。即，能够抑制忽视实际发生的异常。
参数设定部25使用集成学习等机器学习使步骤S58的时间段的长度最佳化。由此，能够抑制过探测，提高探测精度。
此外，上述的实施方式为本发明的一例。因此，本发明不限定于上述的实施方式，不用说即使为该实施方式以外的方式，只要为不脱离本发明的技术的思想的范围，就可以根据设计等进行各种变更。
作为从具有可动部的设备取得的时间序列数据，以干扰扭矩为例进行了说明，但不限于此，例如，也可以为通过设置于关节轴等的加速度传感器检测到的加速度的检测值。第一异常探测部26及第二异常探测部27将干扰扭矩替换为加速度的检测值，通过上述的方法探测机器人101的异常。
符号说明
21 通信部(传感器信号输入部)
23 报告控制部
25 参数设定部
26 第一异常探测部
27 第二异常探测部
101 机器人(设备)
pa 第一基准值
pb 第二基准值
t 确定的时刻
AD1～AD3 时间序列数据的移动平均
FD1～FD3 累计值的移动平均
RD，RD1～RD3 干扰扭矩(时间序列数据)

Claims (17)

1.一种异常探测装置，其特征在于，具有：
传感器信号输入部，其被输入从具有可动部的设备取得的时间序列数据；
第一异常探测部，其基于所述时间序列数据探测所述设备的异常；
报告控制部，其报告通过所述第一异常探测部探测到的异常，
所述第一异常探测部一边错开确定的时刻，一边重复执行以下操作：
判定所述确定的时刻的所述时间序列数据是从比所述确定的时刻早一定时间的时间序列数据增加或是减少，
当所述确定的时刻的所述时间序列数据是从比所述确定的时刻早一定时间的时间序列数据增加时，分配第一数值作为一定的数值，
当所述确定的时刻的所述时间序列数据是从比所述确定的时刻早一定时间的时间序列数据减少时，分配第二数值作为一定的数值，
通过重复执行所述操作，产生多个所述一定的数值作为进一步的时间序列数据，
基于在规定的累计时间内将所述一定的数值进行累计的累计值探测所述设备的异常。
2.根据权利要求1所述的异常探测装置，其特征在于，
所述第一异常探测部
在所述确定的时刻的时间序列数据和比所述确定的时刻早一定时间的时间序列数据的差大于第一基准值的情况下，分配所述第一数值，
在所述确定的时刻的时间序列数据和比所述确定的时刻早一定时间的时间序列数据的差与所述第一基准值相同或小于比所述第一基准值小的第二基准值的情况下，分配所述第二数值。
3.根据权利要求1所述的异常探测装置，其特征在于，
所述第一异常探测部
一边错开所述确定的时刻，一边判定所述确定的时刻的所述时间序列数据是从比所述确定的时刻早一定时间的时间序列数据增加或是减少，或既不增加也不减少，并在判定为不是所述增加及所述减少的任一个时，分配第三数值作为所述一定的数值。
4.根据权利要求2所述的异常探测装置，其特征在于，
所述第二基准值小于所述第一基准值，
所述第一异常探测部
在所述差为所述第一基准值以下，且为所述第二基准值以上的情况下，判定为既不增加也不减少。
5.根据权利要求2所述的异常探测装置，其特征在于，
无论所述差的绝对值如何，所述第一数值及所述第二数值均被分别固定为预定的值。
6.根据权利要求1～5中任一项所述的异常探测装置，其特征在于，
所述第一异常探测部
计算所述累计值的移动平均，
并基于所述累计值的移动平均探测所述设备的异常。
7.根据权利要求2所述的异常探测装置，其特征在于，
所述第二基准值与所述第一基准值相等，
所述第一数值与所述第二数值的绝对值彼此相等，且符号不同。
8.根据权利要求7所述的异常探测装置，其特征在于，
无论所述时间序列数据和早一定时间的时间序列数据的差的绝对值如何，所述第一数值及所述第二数值均被分别固定为预定的值。
9.根据权利要求1或7所述的异常探测装置，其特征在于，
所述第一异常探测部
计算所述时间序列数据的移动平均，
一边错开所述确定的时刻，一边判定确定的时刻的所述时间序列数据的移动平均是从比所述确定的时刻早一定时间的时间序列数据的移动平均增加或是减少，并分别以所述第一数值及所述第二数值表示所述增加及所述减少。
10.根据权利要求7或8所述的异常探测装置，其特征在于，
所述第一异常探测部
计算所述累计值的移动平均，
并基于所述累计值的移动平均探测所述设备的异常。
11.根据权利要求1中任一项所述的异常探测装置，其特征在于，
还具有通过与所述第一异常探测部不同的方法探测所述设备的异常的第二异常探测部，
所述报告控制部报告组合所述第一异常探测部和所述第二异常探测部而探测到的所述设备的异常。
12.根据权利要求11所述的异常探测装置，其特征在于，
所述第二异常探测部基于所述时间序列数据的概率分布探测所述设备的异常。
13.根据权利要求11所述的异常探测装置，其特征在于，
所述第一异常探测部或所述第二异常探测部基于由所述第二异常探测部或所述第一异常探测部检测到的所述异常发生的时刻或包含所述时刻的时间段内的所述时间序列数据，探测所述设备的异常。
14.根据权利要求11所述的异常探测装置，其特征在于，
所述报告控制部在由所述第一异常探测部检测到的所述异常和由所述第二异常探测部检测到的所述异常在相同的时刻或相同的时间段发生的情况下，报告所述设备的异常。
15.根据权利要求13或14所述的异常探测装置，其特征在于，
还具有使用机器学习使所述时间段的长度最佳化的参数设定部。
16.根据权利要求2、4或7所述的异常探测装置，其特征在于，
还具有使用机器学习使所述第一基准值及所述第二基准值的每一个最佳化的参数设定部。
17.一种异常探测方法，其特征在于，
接收从具有可动部的设备取得的时间序列数据，
一边错开确定的时刻，一边重复执行以下操作：
判定所述确定的时刻的所述时间序列数据是从比所述确定的时刻早一定时间的时间序列数据增加或是减少，
当所述确定的时刻的所述时间序列数据是从比所述确定的时刻早一定时间的时间序列数据增加时，分配第一数值作为一定的数值，
当所述确定的时刻的所述时间序列数据是从比所述确定的时刻早一定时间的时间序列数据减少时，分配第二数值作为一定的数值，
通过重复执行所述操作，产生多个所述一定的数值作为进一步的时间序列数据，
基于在规定的累计时间内将所述一定的数值进行累计的累计值探测所述设备的异常，
报告探测到的异常。
CN201980094849.0A 2019-03-27 2019-03-27 异常探测装置及异常探测方法 Active CN113646718B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/013342 WO2020194597A1 (ja) 2019-03-27 2019-03-27 異常検知装置、及び異常検知方法

Publications (2)

Publication Number Publication Date
CN113646718A CN113646718A (zh) 2021-11-12
CN113646718B true CN113646718B (zh) 2024-04-30

Family

ID=72610189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980094849.0A Active CN113646718B (zh) 2019-03-27 2019-03-27 异常探测装置及异常探测方法

Country Status (5)

Country Link
US (1) US20220126461A1 (zh)
EP (1) EP3951528B1 (zh)
JP (1) JP7268722B2 (zh)
CN (1) CN113646718B (zh)
WO (1) WO2020194597A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI805978B (zh) * 2020-12-22 2023-06-21 達明機器人股份有限公司 雙迴路力矩感知系統及其感知方法
DE102021126188A1 (de) * 2021-10-08 2023-04-13 Dürr Systems Ag Überwachungsverfahren für einen Roboter und zugehörige Roboteranlage

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0711472B2 (ja) * 1990-10-17 1995-02-08 旭化成工業株式会社 異常検出方法および装置
JP2003296851A (ja) * 2002-02-01 2003-10-17 Shimadzu System Solutions Co Ltd 遠隔異常監視システム
JP2008033532A (ja) * 2006-07-27 2008-02-14 Denso Corp 可動部を備えた設備の異常を検出する方法及び異常検出装置
JP2010211440A (ja) * 2009-03-10 2010-09-24 Railway Technical Res Inst 異常予測装置、異常予測システム、異常予測方法、及びプログラム
JP2011095082A (ja) * 2009-10-29 2011-05-12 Casio Computer Co Ltd 時刻情報取得装置、および、電波時計
CN102354204A (zh) * 2007-03-22 2012-02-15 日本电气株式会社 诊断装置
WO2012099206A1 (ja) * 2011-01-20 2012-07-26 東京エレクトロン株式会社 処理装置の異常診断方法及びその異常診断システム
CN104156473A (zh) * 2014-08-25 2014-11-19 哈尔滨工业大学 一种基于ls-svm的传感器检测数据异常片段检测方法
CN105221132A (zh) * 2014-06-30 2016-01-06 中国石油化工股份有限公司 一种钻井工程参数状态检测方法
JP2016058010A (ja) * 2014-09-12 2016-04-21 株式会社日立ハイテクノロジーズ 異常傾向検出方法およびシステム
WO2018030033A1 (ja) * 2016-08-10 2018-02-15 三菱重工工作機械株式会社 工作機械の工具の異常検知装置及び方法
WO2018079075A1 (ja) * 2016-10-24 2018-05-03 パナソニックＩｐマネジメント株式会社 エンコーダの異常検出方法及び異常検出装置、並びにロボット制御システム
CN108695211A (zh) * 2017-04-05 2018-10-23 株式会社荏原制作所 半导体制造装置、故障预知方法、存储介质及管理系统
CN109213654A (zh) * 2018-07-05 2019-01-15 北京奇艺世纪科技有限公司 一种异常检测方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS58222311A (ja) * 1982-06-18 1983-12-24 Mitsubishi Heavy Ind Ltd 異常診断装置
JP3623582B2 (ja) 1995-12-25 2005-02-23 ファナック株式会社 ロボットの故障診断方法
JP5365595B2 (ja) * 2010-09-15 2013-12-11 株式会社安川電機 減速機の異常判定方法、異常判定装置、ロボット及びロボットシステム
US10539468B2 (en) * 2015-02-25 2020-01-21 Nec Corporation Abnormality detection apparatus, abnormality detection method, and non-transitory computer-readable medium
WO2016175226A1 (ja) * 2015-04-28 2016-11-03 ヤマハ発動機株式会社 鞍乗型車両
JP6584662B2 (ja) * 2016-06-07 2019-10-02 三菱電機株式会社 異常診断装置及び異常診断方法
JP6703021B2 (ja) * 2018-02-20 2020-06-03 ファナック株式会社 サーボ制御装置
JP6863930B2 (ja) * 2018-05-29 2021-04-21 ファナック株式会社 寿命予測装置及び機械学習装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0711472B2 (ja) * 1990-10-17 1995-02-08 旭化成工業株式会社 異常検出方法および装置
JP2003296851A (ja) * 2002-02-01 2003-10-17 Shimadzu System Solutions Co Ltd 遠隔異常監視システム
JP2008033532A (ja) * 2006-07-27 2008-02-14 Denso Corp 可動部を備えた設備の異常を検出する方法及び異常検出装置
CN102354204A (zh) * 2007-03-22 2012-02-15 日本电气株式会社 诊断装置
JP2010211440A (ja) * 2009-03-10 2010-09-24 Railway Technical Res Inst 異常予測装置、異常予測システム、異常予測方法、及びプログラム
JP2011095082A (ja) * 2009-10-29 2011-05-12 Casio Computer Co Ltd 時刻情報取得装置、および、電波時計
WO2012099206A1 (ja) * 2011-01-20 2012-07-26 東京エレクトロン株式会社 処理装置の異常診断方法及びその異常診断システム
CN105221132A (zh) * 2014-06-30 2016-01-06 中国石油化工股份有限公司 一种钻井工程参数状态检测方法
CN104156473A (zh) * 2014-08-25 2014-11-19 哈尔滨工业大学 一种基于ls-svm的传感器检测数据异常片段检测方法
JP2016058010A (ja) * 2014-09-12 2016-04-21 株式会社日立ハイテクノロジーズ 異常傾向検出方法およびシステム
WO2018030033A1 (ja) * 2016-08-10 2018-02-15 三菱重工工作機械株式会社 工作機械の工具の異常検知装置及び方法
WO2018079075A1 (ja) * 2016-10-24 2018-05-03 パナソニックＩｐマネジメント株式会社 エンコーダの異常検出方法及び異常検出装置、並びにロボット制御システム
CN108695211A (zh) * 2017-04-05 2018-10-23 株式会社荏原制作所 半导体制造装置、故障预知方法、存储介质及管理系统
CN109213654A (zh) * 2018-07-05 2019-01-15 北京奇艺世纪科技有限公司 一种异常检测方法及装置

Also Published As

Publication number Publication date
WO2020194597A1 (ja) 2020-10-01
EP3951528A1 (en) 2022-02-09
US20220126461A1 (en) 2022-04-28
JPWO2020194597A1 (zh) 2020-10-01
EP3951528A4 (en) 2022-03-23
JP7268722B2 (ja) 2023-05-08
CN113646718A (zh) 2021-11-12
EP3951528B1 (en) 2023-09-06

Similar Documents

Publication Publication Date Title
JP6140331B1 (ja) 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
CN108638128B (zh) 一种工业机器人的实时异常监测方法及其系统
JP7107830B2 (ja) 学習用データ確認支援装置、機械学習装置、故障予知装置
US10725465B2 (en) State diagnostic device
US11614728B2 (en) Machine tool management system that obtains a next maintenance period from a maintenance period model and a refinement algorithm
JP6616375B2 (ja) 状態判定装置
CN107449958A (zh) 异常判定装置和异常判定方法
CN113646718B (zh) 异常探测装置及异常探测方法
WO2020157220A1 (en) System and method for detecting and measuring anomalies in signaling originating from components used in industrial processes
WO2019167171A1 (ja) 異常検出装置及び異常検出方法
KR102024454B1 (ko) 고장 진단 장치 및 고장 진단 방법
US11992953B2 (en) Abnormality determination device and abnormality determination method
CN114077919A (zh) 用于预测加工异常的系统
US20210181732A1 (en) Control method, control apparatus, and mechanical equipment
CN111788042A (zh) 机器人的预见性分析
US20210178615A1 (en) Abnormality diagnosis device and abnormality diagnosis method
US20230367304A1 (en) State determination device and state determination method
US20240009905A1 (en) State determination device and state determination method
US11740592B2 (en) Control method, control apparatus, mechanical equipment, and recording medium
KR20200132313A (ko) 수치제어 공작기계 진단 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체
CN117786385B (zh) 基于孪生网络的三相异步电动机故障监测方法及系统
CN112105489B (zh) 异常检测装置和异常检测方法
JP2020038594A (ja) 異常検知装置、異常検知方法およびプログラム
CN115935827A (zh) 工业伺服电机的运行年限预测系统、方法、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant